Minus 19 oder plus 12 Prozent? Warum KI-Studien zu Berufseinsteigern so weit streuen

Darum geht es

Innerhalb weniger Wochen sind mehrere große Auswertungen zur selben Frage erschienen: Kostet KI Berufseinsteigern die Jobs? Die Schlagzeilen klingen, als kämen sie aus verschiedenen Welten. Das Stanford Digital Economy Lab meldet für die USA eine Lücke von 19 Prozent. Das IAB, die Forschungseinrichtung der Bundesagentur für Arbeit, findet in Deutschland 1,2 Prozentpunkte und „Entwarnung mit Vorbehalt“. Die australische Zentralbank (RBA) sieht am 9. November „vorläufige Anzeichen“, und eine Firmenauswertung von Ramp und Revelio Labs zählt bei KI-intensiven Unternehmen sogar 12 Prozent mehr Einsteiger.

Unsere These: Diese Zahlen widersprechen sich weniger, als es scheint. Sie stammen aus unterschiedlichen Daten und beschreiben unterschiedliche Altersgruppen. Auch „KI-Nähe“ definiert jede Studie anders, und gerechnet wird mal relativ, mal absolut. Wer die Studien nebeneinanderlegt, kann die Spanne von −19 bis +12 Prozent zu großen Teilen erklären.

Die Studien im Überblick

Erster Unterschied: Wer zählt als „jung“?

Stanford schaut auf 22- bis 25-Jährige, also fast nur auf echte Berufsanfänger. Das IAB fasst 20- bis 29-Jährige zusammen und nennt das selbst eine Annäherung an die frühe Karrierephase. Darin stecken auch Beschäftigte, die schon fünf oder acht Jahre im Job sind und laut den US-Befunden kaum betroffen wären. Ein breiteres Altersband verdünnt den Effekt also zwangsläufig. Die RBA nimmt mit 15 bis 24 Jahren dagegen auch Schüler-Nebenjobs mit.

Wie viel das ausmacht, zeigt ein Vergleich innerhalb Deutschlands. Das ifo-Institut arbeitet ebenfalls mit Daten der Bundesagentur. Es betrachtet aber nur 20- bis 24-Jährige und nur die am stärksten KI-exponierten Berufe. Dort sank die Vollzeitbeschäftigung laut ifo von rund 279.000 auf 239.000. Nachgerechnet sind das 14,3 Prozent. Das IAB kommt für 20- bis 29-Jährige in hoch exponierten Berufen auf −3,8 Prozent und in wenig exponierten auf −2,6 Prozent. Mit denselben Rohdaten erhält man also je nach Zuschnitt einen Rückgang von 14 Prozent oder einen Abstand von gut einem Prozentpunkt.

Zweiter Unterschied: Was heißt „KI-nah“?

Stanford und IAB nutzen dasselbe Maß von Eloundou und Kollegen (2024). Es misst die Exposition, also den Anteil der Aufgaben eines Berufs, den ein Sprachmodell theoretisch deutlich schneller erledigen könnte. Ob Firmen KI tatsächlich einsetzen, sagt dieses Maß nicht. Die RBA nutzt das australische Maß von Jobs and Skills Australia, das auf einer ILO-Studie beruht. Auch das beschreibt nur Potenzial. Mike Major betont, die Studie messe „nur theoretische Exposition, nicht die tatsächliche Nutzung in Unternehmen“.

Ramp/Revelio messen dagegen Geld, das Firmen nachweislich für KI-Werkzeuge ausgegeben haben. Das ist eine völlig andere Frage: Stanford fragt, wie es Berufen geht, die KI erledigen könnte. Ramp fragt, wie es Firmen geht, die KI kaufen. Dazu kommt ein Selektionseffekt: Wer viel für KI ausgibt, ist oft groß, technikstark, wagnisfinanziert und wächst ohnehin. Ramp-Ökonom Ara Kharazian sagt laut Forkast selbst:

„Wer dich finanziert hat, sagt die KI-Einführung besser voraus als die Branche, in der du bist.“

Die Autoren schreiben ausdrücklich, ihre Arbeit zeige nicht, dass KI überall Jobs schaffe. Fast alle Zuwächse lagen im Tech-Sektor. Firmen, die nur Abos und Pilotprojekte hatten, legten nicht zu.

Interessant ist ein Gegenstück aus Harvard. Hosseini und Lichtinger messen KI-Einführung ebenfalls auf Firmenebene, und zwar über Stellenanzeigen für „KI-Integratoren“. Ihre Grundlage sind Lebensläufe von rund 62 Millionen Beschäftigten in 285.000 Firmen. Sie finden das Gegenteil von Ramp: Ab dem ersten Quartal 2023 sank die Junior-Beschäftigung in einführenden Firmen deutlich, die Senior-Beschäftigung blieb stabil. Wie groß der Effekt ist, geben die Berichte unterschiedlich an. Die Zahlen reichen von 7,7 bis 12 Prozent. Wie man „KI-Firma“ misst, kann das Vorzeichen also umdrehen.

Dritter Unterschied: Relative Lücke, absoluter Rückgang oder Trendabweichung

Die 19 Prozent von Stanford sind keine Zahl entlassener Menschen. Sie sind ein kontrafaktischer Vergleich, also eine Antwort auf die Frage: Wie viel weniger junge Menschen arbeiten in exponierten Berufen, als wenn sie sich wie ihre Altersgenossen in wenig exponierten Berufen entwickelt hätten? Laut Stanford sank die Beschäftigung in den beiden am stärksten exponierten Fünfteln (Quintile) um etwa 11 Prozent, in den drei am wenigsten exponierten stieg sie um etwa 10 Prozent. Nachgerechnet ergibt 0,89 geteilt durch 1,10 eine Lücke von 19 Prozent. Rechnet man die IAB-Werte genauso (0,962 geteilt durch 0,974), kommt man auf −1,2 Prozent. Der Unterschied liegt also nicht an der Rechenart, sondern an der Entwicklung selbst.

Auch der Zeitraum spielt eine Rolle. Die IAB-Daten enden Ende 2025, die von Stanford im Juni 2026. Für Juli 2025 nennt die Stanford-Revision eine Lücke von 15 Prozent. Die erste Fassung vom August 2025 hatte 13 Prozent genannt, inzwischen sind die Daten überarbeitet. Selbst zum etwa gleichen Zeitpunkt ist der US-Wert also gut zehnmal so groß wie der deutsche. Das ist ein echter Unterschied zwischen den Ländern, kein Messartefakt. Er ist aber kleiner als „19 gegen 1,2“.

Goldman Sachs misst noch etwas anderes: die Trendabweichung ganzer Branchen über alle Altersgruppen. Die −27 Prozent bei deutschen Callcentern sagen also nichts direkt über Berufseinsteiger. Laut City AM hängt bei Goldman jede zusätzliche Exposition von 10 Prozent mit 0,1 Prozentpunkten weniger jährlichem Personalwachstum zusammen. Bei Einstiegsjobs sind es in den USA über 0,2 und in Australien über 0,6 Prozentpunkte.

Die Störfaktoren: Zinsen, Homeoffice, Konjunktur

Das stärkste Gegenargument gegen KI als Hauptursache ist der Zeitpunkt. Ein Team um Morgan Frank (Universität Pittsburgh) fand in US-Daten zur Arbeitslosenversicherung, dass das Risiko in exponierten Berufen schon Anfang 2022 stieg. Das war Monate vor ChatGPT. Das Economic Innovation Group verweist auf die Zinswende als übersehene Ursache, weil Tech-Firmen besonders zinsempfindlich sind. Die New York Fed schätzt mit Daten der amtlichen Bevölkerungsumfrage CPS, dass Homeoffice 64 Prozent des Anstiegs der Arbeitslosigkeit junger Absolventen erklärt. Die Autoren nennen das selbst eine Überschlagsrechnung. Ihr Argument: Wer remote arbeitet, kann Neulinge schlechter anlernen.

Stanford hat diese Einwände ausdrücklich geprüft. Die Lücke bleibt, wenn man Tech-Firmen herausnimmt und Zinsempfindlichkeit sowie Homeoffice-Eignung berücksichtigt. Die Autoren räumen aber auch ein: Manche Trends begannen vor ChatGPT, und mit Kontrolle für Bildung schrumpft die Lücke. Außerdem fallen die Werte in der ADP-Stichprobe größer aus als in den amtlichen Erhebungen. Die Stanford-Autoren führen das teils auf geänderte Gewichte im Census-Survey ACS zurück.

Das IAB rechnet die Konjunktur direkt mit ein und erfasst dafür, wie stark ein Beruf in Branchen und Regionen mit Massenentlassungen vertreten war. Ergebnis: Junge Beschäftigte in schwachen Sektoren verloren 2022 bis 2025 4,2 Prozent ihrer Stellen. Dieser Effekt ist laut IAB-Zusammenfassung mehr als doppelt so stark wie der KI-Zusammenhang. Signifikant wird KI nur im Verarbeitenden Gewerbe (rund −6 Prozent 2025) und in nichtakademischen Berufen. Das ist bemerkenswert, denn die öffentliche Debatte dreht sich um Akademiker. IAB-Forscher Michele Dinelli lenkt den Blick deshalb auf „nichtakademisch geprägte Berufe und das Verarbeitende Gewerbe“. Auch die RBA warnt: Die Jugendbeschäftigung war 2022 wegen des überhitzten Arbeitsmarkts ungewöhnlich hoch, ein Teil der Abkühlung sei also normal. Die Jugendarbeitslosigkeit stieg von etwa 7 auf etwa 11 Prozent, liegt nach RBA-Angaben aber noch unter dem Niveau vor der Pandemie.

Was trotzdem zusammenpasst

Hinter den verschiedenen Zahlen steht ein gemeinsames Bild. Keine Studie findet einen breiten Jobabbau durch KI, auch Stanford nicht. Wo ein Effekt auftaucht, läuft er über weniger Neueinstellungen und nicht über Entlassungen. Das zeigen Stanford, das Harvard-Paper und die Dallas Fed: Bei ihr fehlen vor allem Menschen, die von außerhalb des Arbeitsmarkts direkt in einen Job wechseln. Anthropic fand im März 2026 eine um etwa 14 Prozent gesunkene Chance junger Menschen, einen Job in exponierten Berufen zu finden, allerdings nur knapp signifikant. Auch die RBA sieht die stärksten Rückgänge bei Stellenanzeigen für Sachbearbeiter, Programmierer und Callcenter-Kräfte. In Großbritannien lagen die Indeed-Anzeigen für Absolventen im Juli 2026 rund 7 Prozent unter dem Vorjahr und so tief wie seit 2020 nicht mehr. Ob das an KI liegt, ist dort umstritten.

Eine dänische Studie von Humlum und Vestergaard mit 25.000 Beschäftigten fand keine messbaren Effekte auf Löhne oder Arbeitsstunden. Sie untersucht aber Menschen, die schon beschäftigt sind, nicht den Einstieg. Sie beantwortet also eine andere Frage.

Unser Fazit

Die Spanne von −19 bis +12 Prozent erklärt sich zu großen Teilen dadurch, dass die Studien Verschiedenes messen. Mal geht es um Berufe, mal um Firmen. Mal um theoretisches Potenzial, mal um tatsächliche Ausgaben. Mal um 22- bis 25-Jährige, mal um 20- bis 29-Jährige. Mal um relative Lücken, mal um Branchentrends. Ramp misst nicht das Gegenteil von Stanford, sondern etwas anderes.

Unsere Einschätzung: Ein Teil des Unterschieds zwischen den USA und Deutschland ist trotzdem echt. Auch zum vergleichbaren Zeitpunkt Mitte 2025 lag die US-Lücke bei 15 Prozent, die deutsche bei rund einem Prozentpunkt. Mögliche Gründe sind die schnellere KI-Verbreitung in den USA, der größere Tech-Sektor und das Ausbildungssystem in Deutschland. Belegt ist davon nichts. Der ifo-Wert von −14 Prozent zeigt außerdem, dass auch Deutschland in der jüngsten Gruppe und in den am stärksten exponierten Berufen deutliche Bewegungen hat. Was davon an KI und was an der Rezession liegt, kann bisher keine Studie trennen.

Kritisch bleibt: Alle Studien sind beschreibend, keine belegt eine Ursache. Die meisten messen Potenzial statt Nutzung, die Daten hinken Monate hinterher, und die Konjunktur in Australien (fünf Zinserhöhungen 2026) und Deutschland überlagert alles. Wer eine einzelne Zahl als Beweis zitiert, egal in welche Richtung, macht es sich zu einfach. Beobachten lohnt sich trotzdem, wie IAB-Vizedirektorin Melanie Arntz rät: über 2025 hinaus und am besten mit Daten, die echte KI-Nutzung in Firmen mit Beschäftigtendaten verknüpfen.